Maskinlæring, der lærer mere som mennesker, en AI-læbelæsende 'maskine' og mere - denne uge i kunstig intelligens 11-11-16

1 - System med kunstig intelligens surfer på nettet for at forbedre dets ydeevne

Informationsekstraktion involverer klassificering af dataelementer, der er gemt i almindelig tekst, og er et stort forskningsområde for maskinlæringsforskere. I sidste uge introducerede et forskerhold fra MIT en ny tilgang til informationsekstraktion for maskinlæringssystemer på Association for Computational Linguistics' konference om empiriske metoder til naturlig sprogbehandling og vandt en pris for bedste papir. I stedet for at fodre deres system med så mange data som muligt, tager holdets vindende tilgang en anden vej og fokuserer på et meget mindre datasæt, en lignende proces, der bruges af mennesker – hvis du læser et papir, som du ikke forstår, du vil sandsynligvis foretage en søgning på nettet og finde artikler, som du er i stand til at forstå. Denne nye systemtilgang gør noget lignende; hvis systemets tillidsscore er lav til at vurdere en bestemt tekst, vil det forespørge efter mere information og trække en håndfuld nye artikler op fra nettet, der korrelerer med et specifikt sæt af termer. I fremtiden vil denne model kunne anvendes på sparsomme data og spare meget tid ved gennemgang af databaser.

(Læs hele artiklen på MIT News)

2 – RiskIQ får 30.5 millioner dollars for at anvende maskinlæring på sikkerhedsrisici

San Francisco-baserede digital risikostyringsstartup RiskIQ annoncerede, at den har rejst yderligere $30.5 millioner Series C i en aftale ledet af Georgian Partners, og inklusive Summit Ventures, MassMutual Ventures og Battery Ventures, hvilket har sat sine samlede midler rejst til $65.5 millioner siden 2009. RiskIQ AI-baserede tjenester hjælper store virksomheder med at søge og finde websteder og apps, der kan bære virksomhedens navn, men som drives af kriminelle, der forsøger at stjæle forbrugernes oplysninger eller sprede malware. Virksomhedens samlede bookinger voksede med 80 procent i den første del af 2016 med i alt 200 virksomhedskunder og 13,000 sikkerhedsanalytikere, der inkluderer Facebook, Under Armour og andre. Georgian Partners-rektor Steve Leightell vil også indtræde i RiskIQs bestyrelse

(Læs hele artiklen på Silicon Valley Business Journal)

3 - Første Carnegie-kollokvium fokuserer på kunstig intelligens i militæret, databeskyttelse

Carnegie Mellon afholdt det første af et todelt kollokvium, som omhandlede overvejelser omkring AI om databeskyttelse og militære operationer, for globale politikeksperter ved Carnegie Endowment for International Peace (CEIP) hovedkvarter i Washington DC. Den anden del vil omhandle internetstyring og cyber afskrækkelse, den 2. december på CMU's Cohon University Center i Pittsburgh. CyLab-direktør David Brumley, der åbnede en anden paneldiskussion for autonom teknologi, sagde:

"Lande over hele verden, inklusive USA, Rusland, Israel, Kina og Indien, implementerer og investerer i stigende grad i kunstig intelligens og autonomiteknologi i deres operationer. Autonomi bliver enormt, og det er helt afgørende, at vi får det rigtigt.”

Jim Garrett, dekan for CMU's College of Engineering, understregede, at sådanne fora er af vital betydning for at udveksle ideer og dyrke accept af en bred vifte af synspunkter om emner, der har potentialet til at påvirke det globale samfund dybt.

(Læs hele pressemeddelelsen på Nyheder fra Carnegie Mellon)

4 - Oxford-forskere udvikler computerprogram, der kan læse læber med overmenneskelig nøjagtighed

Forskere ved Oxford har været banebrydende for et læbeaflæsnings-AI-program, der kan læse læber med 93.4 procents nøjagtighed – langt overgået den gennemsnitlige nøjagtighed på 52.3 procent for hørehæmmede elever. Med navnet "LipNet" blev softwaren bygget i samarbejde med Googles DeepMind, som trænede den i 30,000 videoer af testpersoner. Systemet behandlede sætninger (i modsætning til individuelle ord) og var i stand til at placere ord i kontekst. Selvom programmet endnu ikke er klar til mangfoldigheden af ​​sprog, accenter og ødelagt tale i den virkelige verden, har programmet potentiale til både at hjælpe samfundet – forbedre høreapparater, give mulighed for samtale på støjende steder osv. – samt skade – tillade for enkeltpersoner eller grupper at opfange private samtaler eller udføre ulovlig masseovervågning.

(Læs hele artiklen på Telegraph og udgivet papir kl Oxford University)

5 – Maskinlæringsalgoritme kvantificerer kønsbias i astronomi

Et papir fra forskere fra Swiss Institute of Technology i Zürich og udgivet på arXiv-serveren brugte maskinlæring til at estimere kønsbias i citater af akademiske artikler inden for astronomi. Selvom de endnu ikke er peer-reviewed, har eksperter på området kommenteret på, hvad der ser ud til at være en valid metode. Cassidy Sugimoto, en informatiker ved Indiana University Bloomington, udtalte:

"Det nye ved dette papir er at aflive myten om, at kønsforskelle i citat kan tilskrives artiklens detaljer snarere end til køn."

Algoritmen blev trænet på 200,000 artikler i 5 tidsskrifter fra 1950 til 2015. Resultaterne viste, at artikler med kvindelige forfattere, der først var anført, fik omkring 6 procent færre citater end dem med en primær mandlig forfatter; Algoritmen forudsagde også, at de artikler med kvindelige forfattere skulle have modtaget 4 procent flere citater end dem, der var skrevet af mændene. I akademikere betyder færre citater normalt færre tilskud, anbefalingsbreve og andre anerkendelser, siger Meg Urry, direktør for Yale Center for Astronomy and Astrophysics. Avisen bemærker dog også, at kvinder udgiver 19 procent færre artikler end mænd i de 7 år efter deres første publicerede papir, et kritisk tidspunkt for at bidrage til den akademiske verden. Dette kan også være medvirkende til, at kvinder får flere faste stillinger.

(Læs hele artiklen på Scientific American)

Billedkredit: Tek-Think

Kilde: https://emerj.com/machine-learning-that-learns-more-like-humans-an-ai-lip-reading-machine-and-more-this-week-in-artificial-intelligence-11- 11-16/